Objetivo. variables factores F Principios básicos. Parsimonia Interpretabilidad
|
|
- Felipe Rubio Nieto
- hace 7 años
- Vistas:
Transcripción
1 ANÁLISIS FACTORIAL 1. Introducción 2. Examen de la matriz de correlación 3. Extracción de los factores 4. Rotación de los factores 5. Puntuaciones factoriales 6. Caso práctico
2 Introducció Objetivo. Resumir la información contenida en una base de datos con p variables en un reducido número de factores F, siendo el número de factores menor que el número de variables. Principios básicos. - Parsimonia. Los fenómenos deben explicarse con el menor número de F posibles. - Interpretabilidad. Los F deben ser susceptibles de interpretación positiva.
3 Introducció Ideas básicas. - El conjunto de variables a resumir deben tener interrelaciones importantes (matriz de correlación). - Se acepta la hipótesis de que las relaciones existen porque las variables son manifestaciones comunes de factores no "observables - El objetivo del AF es llegar a un cálculo de esos factores: resumiendo la información, clarificando las relaciones entre las variables y sin pérdida excesiva de información
4 Introducció Utilidad. - Proporcionar la estructura interna, las dimensiones subyacentes, de un conjunto amplio de variables, elaborando una estructura más simple que proporcione la misma información y permita entender los fenómenos. - Simplificar la modelización convirtiendo, por eliminación de redundancias expresadas en altas correlaciones, un amplio conjunto de variables en factores estructurales.
5 Introducció Cada variable se expresa como una combinación lineal de factores no directamente observables. X ij = F 1i a i1 + F 2i a i F ki a ik + V i Siendo: X ij la puntuación del individuo i en la variable j F ij son los coeficientes factoriales (factores comunes) a ij son las puntuaciones factoriales (factores comunes) V i es el factor único de cada variable Los factores únicos no están correlacionados entre sí ni con los factores comunes.
6 Introducció AF vs CP - CP podría definirse como una etapa de AF. - AF diferencia la varianza común (variación de la variable que es compartida con las otras variables) y varianza única (la variación de la variable que es propia de esa variable). - CP determina factores que sucesivamente expliquen la mayor parte de la varianza total, mientras que AF busca factores que expliquen la mayor parte de la varianza común. - CP busca combinaciones lineales de las variables originales que expliquen la mayor parte de la variación total, mientras que AF pretende hallar un nuevo conjunto de variables, menor en número que las variables originales, que exprese lo que es común a esas variables. - AF supone que existen factores comunes subyacentes a todas las variables, CP no.
7 Introducció Pasos del AF. 1. Calcular y examinar la matriz de correlaciones entre todas las variables. 2. Extracción de los factores necesarios para representar los datos. 3. Rotación de los factores con objeto de facilitar su interpretación. 4. Calcular las puntuaciones factoriales de cada individuo.
8 Examen de la matr Examen de la matriz. rrelations NHT NVAC UTHT RN T 0,4957 0,2334 0,3642 ( 12) ( 12) ( 12) 0,1013 0,4654 0,2444 AC 0,4957 0,4368 ( 12) ( 12) 0,1013 0,1556 HT 0,2334 0,4368 ( 12) ( 12) 0,4654 0,1556-0,4641 ( 12) 0,1285-0,1814 ( 12) 0,5725 0,3642-0,4641-0,1814 ( 12) ( 12) ( 12) 0,2444 0,1285 0,
9 Examen de la matr - Determinante de la matriz de correlaciones (es un escalar o polinomio, que resulta de obtener todos los productos posibles de una matriz): - muy bajo: altas intercorrelaciones - cero: algunas de las variables son linealmente dependientes - alto: altas correlaciones - Test de Esfericidad de Bartlett. Comprueba que la matriz de correlaciones se ajuste a la matriz identidad (I), es decir ausencia de correlación significativa entre las variables, es decir, que el determinante de la matriz de correlaciones es 1.
10 Examen de la matr n =tamaño muestral v =número de variables R =matriz de correlaciones Si se acepta la hipótesis nula (p>0.05) significa que las variables no están intercorrelacionadas. Es muy útil cuando el tamaño muestral es pequeño.
11 Examen de la matr - Índice KMO de Kaiser-Meyer-Olkin. Valores bajos del índice KMO desaconsejan la utilización de Análisis Factorial r ij = correlación simple a ij = correlación parcial según Kaiser: 1 >= KMO >= 0.9 muy bueno 0.9 >= KMO >= 0.8 meritorio 0.8 >= KMO >= 0.7 mediano 0.7 >= KMO >= 0.6 mediocre 0.6 >= KMO > 0.5 bajo KMO <= 0.5 inaceptable
12 Examen de la matr - Correlación Anti-imagen: El negativo del coeficiente de correlación parcial. Deberá haber pocos coeficientes altos para que AF sea razonable. - Correlación Múltiple: Deberá ser alto. - Medida de Adecuación de la Muestra (MSA): Valores bajos desaconsejan AF. rij= correlación simple aij= correlación parcial
13 Extracción de los factores. Extracción de los factore - A partir de una matriz de correlaciones, el AF extrae otra matriz que reproduce la primera de forma más sencilla. - Esta nueva matriz se denomina matriz factorial: P 11 P 21 2 P 12 P 22 3 P 13 P 23 4 P 14 P 24 5 P 15 P 25 6 P 16 P 26 - P ij pueden interpretarse como índices de correlación entre el factor i y la variable j, aunque estrictamente sólo son correlaciones cuando los factores no están correlacionados entre sí, es decir, son ortogonales. - Estos coeficientes reciben el nombre de pesos, cargas, ponderaciones o saturaciones factoriales, y lo ideal es que cada variable cargue alto en un factor y bajo en los demás.
14 Con Statgrafics: Extracción de los factore Factor Loading Matrix Before Rotation Factor Factor NHT 0, , NHT_NHP -0, , NVAC 0, , TREP 0, , TMORT -0, , Estimated Variable Communality NHT 0,51023 NHT_NHP 0, NVAC 0, TREP 0, TMORT 0,
15 Extracción de los factore Métodos de extracción. - CP. El análisis explora toda la varianza de cada variable: la común, la específica y la debida a errores de observación. - Recomendable para reducción de datos - Recomendable en conjuntos con varianza común elevada - Otros (clásicos). El análisis explora sólo la varianza común de cada variable. - Recomendable en AF confirmatorio - Recomendable cuando las puntuaciones factoriales no son importantes (no van a usarse)
16 Extracción de los factore Comunalidad. - Proporción de la varianza explicada por los factores comunes en una variable. - h 2 : suma de los pesos factoriales al cuadrado en cada una de las filas. Factor Loading Matrix Before Rotation Factor Factor NHT 0, , NHT_NHP -0, , NVAC 0, , TREP 0, , TMORT -0, , Estimated Variable Communality NHT 0,51023 NHT_NHP 0, NVAC 0, TREP 0, TMORT 0,830774
17 Extracción de los factore - El AF comienza sus cálculos a partir de lo que se conoce como matriz reducida compuesta por los coeficientes de correlación entre las variables y con las comunalidades en la diagonal. - Como la comunalidad no se puede saber hasta que se conocen los factores, este resulta ser uno de los problemas del AF. - Si se usa CP, como no suponemos la existencia de ningún factor común la comunalidad toma como valor inicial 1. - En el método clásico: - Estimando la comunalidad por la mayor correlación en la fila i-ésima de la matriz de correlaciones. - Estimando la comunalidad por el cuadrado del coeficiente de correlación múltiple entre x y las demás variables (es el que da el ordenador por defecto). - El promedio de los coeficientes de correlación de una variable con todas las demás. - Calculando a partir de los dos coeficientes de correlación
18 Extracción de los factore Autovalores. - El cuadrado de una carga factorial indica la proporción de la varianza explicada por un factor en una variable particular. - La suma de los cuadrados de los pesos de las columnas se denominan autovalores e indica la cantidad total de varianza que explica ese factor para las variables consideradas como grupo. - Las cargas factoriales pueden tener como valor máximo 1, por tanto el valor máximo que puede alcanzar el autovalor es igual al número de variables. Factor Analysis Factor Percent of Cumulative Number Eigenvalue Variance Percentage 1 1, ,930 39, , ,343 68, , ,964 87, , ,376 94, , , ,
19 Extracción de los factore Factores a extraer. - Autovalores superiores a la unidad. - Gráfico de sedimentación. - Contraste de Barlett (similar al de raíces no retenidas de CP). - Método MAP (Minimum Average Partial). Los factores retenidos deben tener al menos dos variables con pesos altos en ellos. - Calcular el promedio de las correlaciones parciales al cuadrado después de que cada uno de los factores ha sido parcializado. - Cuando el promedio alcanza un mínimo no se extraen más componentes.
20 Extracción de los factore Factores a extraer. - Análisis Paralelo: - A nivel poblacional los autovalores de una matriz de correlaciones para variables no correlacionadas tomarían valor 1. - Cuando se generan matrices muestrales basadas en esa matriz poblacional por fluctuaciones debidas al azar los autovalores excederán levemente de 1 y los últimos estarán ligeramente por debajo de 1. - Se comparan los autovalores con los obtenidos a partir de una matriz de variables no correlacionadas basada en el mismo número de variables que los datos empíricos y en el mismo tamaño de muestra. Los componentes empíricos con autovalores superiores a los de la matriz son retenidos.
21 rotación de los factore - La matriz factorial indica la relación entre los factores y las variables. Sin embargo, muchas veces resulta difícil la interpretación de los factores: Factor Loading Matrix Before Rotation Factor Factor NHT 0, , NHT_NHP -0, , NVAC 0, , TREP 0, , TMORT -0, , Estimated Variable Communality NHT 0,51023 NHT_NHP 0, NVAC 0, TREP 0, TMORT 0,830774
22 rotación de los factore - Para facilitar la interpretación se realizan lo que se denominan rotaciones factoriales. - La rotación factorial pretende seleccionar la solución más sencilla e interpretable. - Consiste en hacer girar los ejes de coordenadas, que representan a los factores, hasta conseguir que se aproxime al máximo a las variables en que están saturados. - La saturación de factores transforma la matriz factorial inicial en otra denominada matriz factorial rotada, de más fácil interpretación. - La matriz factorial rotada es una combinación lineal de la primera y explica la misma varianza. - Las comunalidades no se alteran, sin embargo, cambia la varianza explicada por cada factor.
23 rotación de los factore - La rotación intenta aproximarla al principio de estructura simple (Thurstone, 1935), con las siguientes características: - Cada factor debe tener pocos pesos altos y los otros próximos a 0. - Cada variable no debe estar saturada más que en un factor. - No deben existir factores con la misma distribución, es decir, los factores distintos deben presentar distribuciones de cargas altas y bajas distintas.
24 rotación de los factore - Rotación ortogonal (Varimax, Equamax, Cuartimax). - Rotaciones perpendiculares de los ejes (factores). - Maximiza la varianza explicada. - Rotación oblicua (Oblimin). - Es más realista. - Suele ofrecer resultados más claros (según algunos autores). - La matriz factorial no rotada se convierte en dos matrices diferentes: la matriz de ponderaciones (que es la que se utiliza en la interpretación) y la matriz de correlaciones entre factores y variables. También obtendremos otra matriz de correlaciones entre factores.
25 rotación de los factore Factor Loading Matrix Before Rotation Factor Factor NHT 0, , NHT_NHP -0, , NVAC 0, , TREP 0, , TMORT -0, , Factor Loading Matrix After Varimax Rotation Factor Factor NHT 0, , NHT_NHP 0, , NVAC 0, , TREP 0, , TMORT -0, ,851371
26 interpretación de los factore - Juega un papel preponderante el conocimiento del investigador. - Proceso de interpretación: - Ordenar la matriz rotada de forma que las variables con saturaciones altas en un factor aparezcan juntas. - Estudiar la composición de las saturaciones factoriales significativas de cada factor. - Intentar dar nombre a los factores. - Deberemos ser tanto más exigentes si: - Menor sea el tamaño muestral - Menos variables se incluyan en el factorial - El factor analizado sea de los últimos extraídos
27 Puntuaciones factoriale - Si el método de extracción ha sido el clásico, sólo se podrán hacer estimaciones. - Si ha sido CP, el cálculo de las puntuaciones factoriales se realiza a partir de la matriz factorial rotada y se basa en el modelo de la regresión múltiple (idem CP) : Fij= en la puntuación factorial del individuo j en el factor i Pil es la ponderación factorial de la variable l en el factor i Zl son las puntuaciones del sujeto con cada variable.
Análisis de Varianza Factorial y MANOVA
0 Introducción origen y características (1869 Galton Genio Hereditario) Parsimonia Informativa 1 Tipos de Análisis Factorial 2 El modelo de Análisis Factorial: Teoremas 3 Pasos del Análisis Factorial:
Más detalles3.1.3 Análisis Multivariado
217 3.1.3 Análisis Multivariado Para el análisis Multivariado se va a aplicar el Análisis Factorial con Componentes Principales, el cual es un método que intenta explicar según el modelo lineal un conjunto
Más detallesAnálisis de componentes principales Práctica
Análisis de componentes principales Práctica Pedro López-Roldán Departamento de Sociología Centro de Estudios Sociológicos sobre la Vida Cotidiana y el Trabajo (QUIT) Instituto de Estudios del Trabajo
Más detallesIN 540 Métodos Estadísticos para Economía y Gestión. Cap. VII. Análisis Factorial
IN 540 Métodos Estadísticos para Economía y Gestión Cap. VII Análisis Factorial 7.1 Introducción El Análisis Factorial es una técnica multivariada que nos permite reducir el tamaño'' de un problema sin
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES
Facultad de Psicología y Ciencias Sociales ESTADÍSTICA II (Plan 2008) ANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES Prof. Titular Lic. Rubén José Rodríguez 4 de abril de 2011 1 ANTECEDENTES
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES COMPONENTES PRINCIPALES 1. Introducción 2. Componentes principales de dos variables 3. Obtención de los componentes principales 4. Caso práctico Análisis de interdependencias
Más detallesTÉCNICAS MULTIVARIANTES
Máster en Ordenación y Gestión del Desarrollo Territorial y Local Módulo I MÉTODO Y TÉCNICAS ESTADÍSTICAS PARA EL DESARROLLO TERRITORIAL Y LOCAL CURSO TÉCNICAS MULTIVARIANTES Prof. Dr. Rosa Jordá Borrell
Más detallesB.1 ANÁLISIS FACTORIAL COMÚN. cuyo propósito es reducir los datos en cantidad. Es también una técnica en la cual todas las
B. NOTAS TEÓRICAS B.1 ANÁLISIS FACTORIAL COMÚN El análisis factorial es un nombre dado a una clase de métodos estadísticos multivariados cuyo propósito es reducir los datos en cantidad. Es también una
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES
Facultad de Psicología y Ciencias Sociales ESTADÍSTICA II (Plan 2008) ANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES Prof. Titular Lic. Rubén José Rodríguez 16 de abril de 2012 1 INTRODUCCIÓN
Más detalles2. Análisis factorial
2 Análisis factorial Técnica estadística multivariante que tiene por objeto descubrir las relaciones entre un grupo de variables y expresarlas mediante un número mínimo de cantidades aleatorias no observables
Más detallesCARACTERÍSTICAS GRALES.
Las técnicas estadísticas multivariadas permiten establecer, a partir de numerosos datos y variables, ciertas relaciones, investigar estructuras latentes y ensayar diversas maneras de organizar dichos
Más detallesAPLICACIÓN DEL ANÁLISIS FACTORIAL A LA INVESTIGACIÓN DE MERCADOS. CASO DE ESTUDIO
Scientia et Technica Año XIII, No 35, Agosto de 2007. Universidad Tecnológica de Pereira. ISSN 0122-1701 281 APLICACIÓN DEL ANÁLISIS FACTORIAL A LA INVESTIGACIÓN DE MERCADOS. CASO DE ESTUDIO Application
Más detalles4 Prácticas con SPSS. 4.1 Análisis Multivariante mediante SPSS
4 Prácticas con SPSS 4.1 Análisis Multivariante mediante SPSS Procedimiento Descriptivos El procedimiento Descriptivos de SPSS muestra estadísticos de resumen univariados para varias variables en una única
Más detallesI. TÉCNICAS DE ANÁLISIS MULTIVARIANTE
ÍNDICE Presentación y justificación................................................... 9 I. TÉCNICAS DE ANÁLISIS MULTIVARIANTE................................... 13 1. Introducción.................................................................
Más detallesANÁLISIS FACTORIAL. Análisis factorial 1
Análisis factorial 1 ANÁLISIS FACTORIAL El análisis factorial intenta identificar variables subyacentes, o factores, que expliquen la configuración de correlaciones dentro de un conjunto de variables observadas.
Más detallesPuntuaciones de las observaciones en las componentes Gráfico de dispersión de las componentes Y1 e Y2:
Ejemplo 1 Objetivos: 1. Ayudar a comprender los conceptos relacionados con un análisis de componentes principales. Interpretación de resultados. 2. Aprender a ejecutar con R el ACP. Familiarizarse con
Más detallesEtapas en el diseño de cuestionarios de autoinforme
Etapas en el diseño de cuestionarios de autoinforme Carretero-Dios, H y Pérez, C. (2005). Normas para el desarrollo y revisión de estudios instrumentales. International Journal of Clinical and Health Psychology,
Más detallesUNIVERSIDADA NACIONAL DEL SANTA FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS
UNIVERSIDADA NACIONAL DEL SANTA FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS PINCIPALES FACTORES QUE INFLUYEN EN EL HOGAR, SEGÚN ENCUESTA ENAHO 2009. RESPONSABLE: LIC. LUIS ALFREDO PAJUELO GONZÁLES
Más detallesMaterial del curso Recursos metodológicos y estadísticos para la docencia e investigación Manuel Miguel Ramos Álvarez
XIV-1 UNIVERSIDAD DE JAÉN Índice Material del curso Recursos metodológicos y estadísticos para la docencia e investigación Manuel Miguel Ramos Álvarez MAATTEERRIIAALL XIIV DEESSCCRRIIPPCCIIÓÓNN CCOONN
Más detallesGuía de trabajo en R :
Guía de trabajo en R : ANÁLISIS FACTORIAL Y ANÁLISIS DE COMPONENTES PRINCIPALES Ayudantía Estadística IV (2015), Sociología, Universidad de Chile Guía y procedimiento en R realizados por Raúl Zamora y
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detalles, desviación típica de los datos del proceso
78 donde, LSE, límite superior de especificación µ σ, media de los datos del proceso, desviación típica de los datos del proceso Si el CPU >= entonces el proceso es capaz, caso contrario el proceso no
Más detallesLECCIÓN PÚBLICA. Tema 6 Descripción Multivariante de Datos. Profa. María Fátima Dos Santos
LECCIÓN PÚBLICA Tema 6 Descripción Multivariante de Datos Profa. María Fátima Dos Santos 1 TEMARIO Análisis Multivariados. Clasificación ACP. Organización de los Datos ACP. Componentes, variabilidad explicada
Más detallesCapítulo 8. Análisis Factorial. 1. Introducción. Capítulo 8
Capítulo 8 1. Introducción El análisis factorial es una de las técnicas de análisis multivariable más utilizada en la investigación en ciencias sociales. Su objetivo es el de reducir un conjunto de variables
Más detallesEl análisis factorial
El análisis factorial 1 Universitat de València Dpto. de Dirección de Empresas Juan José Renau Piqueras 1 Estas notas son una selección de aquel textos que, bajo mi punto de vista, mejor abordan el tema
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesResolución del ejercicio
Resolución del ejercicio Adecuación de los datos. Lo primero que debemos hacer es comprobar que la muestra y el tipo de variables son adecuados para el uso del análisis factorial. Comprobaremos que la
Más detallesQUE ES EL ANÁLISIS MULTIVARIANTE
QUE ES EL ANÁLISIS MULTIVARIANTE El análisis Multivariante es definido por Hair, Anderson, Tathan y Black (2004) en el sentido más amplio como todos los métodos estadísticos que analizan simultáneamente
Más detalles(PCA) Análisis de Componentes Principales
PCA Pricipal Component Analysis Técnica multivariante que trata de reducir el número de variables originales (X1, X2,...,Xn) a un número menor de variables (CP1, CP2,...,CPp), denominadas componentes principales
Más detallesAnálisis de Gradiente Ambiental: Ordenación sin contrastar
Análisis de Gradiente Ambiental: Ordenación sin contrastar Ordenación sin contrastar Características importantes de las técnicas ordenación no contrastantes Una familia de técnicas con objetivos similares.
Más detallesCOLEGIO DE ESTADITICOS DEL PERÚ REGIÓN LAMBAYEQUE MSC. ACOSTA PISCOYA, JORGE
COLEGIO DE ESTADITICOS DEL PERÚ REGIÓN LAMBAYEQUE 1 TITULO: Actitudes hacia la Estadística en estudiantes de la Facultad de Ciencias Físicas y Matemáticas de la Universidad Nacional Pedro Ruiz Gallo. Un
Más detallesAnálisis Factorial. Análisis de Datos Avanzados. Joaquín Aldás Manzano. Universitat de València. *
Análisis de Datos Avanzados Análisis Factorial Joaquín Aldás Manzano Universitat de València * joaquin.aldas@uv.es 1 Descripción Definición La finalidad del análisis factorial (estrictamente hablando del
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesMatemáticas para la Empresa
Matemáticas para la Empresa 1 o L. A. D. E. Curso 2008/09 Relación 1. Espacios Vectoriales 1. a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy)
Más detallesa) La adición y la multiplicación de matries cuadradas del mismo orden, están bien definidas.
MATRICES CUADRADAS Definición: ( Cuadradas Una matriz A es una matriz cuadrada de orden n, si y solo si, A es de oreden n n, es decir, A tiene n filas y n columnas: a 11 a 1n a n1 a nn Observación: a La
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANÁLISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL III: ANÁLISIS MULTIVARIANTE DE DATOS Código: 603377 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANÁLISIS DEL
Más detallesEstos apuntes se han sacado de la página de internet de vitutor con pequeñas modificaciones.
TEMA 1: MATRICES Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesRelación 1. Espacios vectoriales
MATEMÁTICAS PARA LA EMPRESA Curso 2007/08 Relación 1. Espacios vectoriales 1. (a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy) Demuestra que IR
Más detallesCONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 MATRICES
CONTENIDOS MATEMÁTICAS II SEGUNDA EVALUACIÓN CURSO 2017/2018 Unidades: - Matrices (Bloque Álgebra) - Determinantes (Bloque Álgebra) - Sistemas de ecuaciones lineales (Bloque Álgebra) - Vectores (Bloque
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0122-1701 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia URRUTIA, JORGE ANDRÉS; PALOMINO LEMUS, REINER COMPONENTES PRINCIPALES EN LA DETERMINACIÓN DE ESTACIONES
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesRELACIONES EXISTENTES ENTRE VARIABLES SOCIOECONÓMICAS Y RELATIVAS AL PARQUE DE VEHÍCULOS EN ANDALUCÍA EN
RELACIONES EISTENTES ENTRE VARIABLES SOCIOECONÓMICAS Y RELATIVAS AL PARQUE DE VEHÍCULOS EN ANDALUCÍA EN 1997 Mª José Olmo Jiménez 1 - mjolmo@ujaen.es Antonio Conde Sánchez 1 - aconde@ujaen.es Antonio José
Más detallesTema 5. Matrices y Determinantes
Tema 5. Matrices y Determinantes 1. Definiciones 2. Operaciones Propiedades 3. Determinantes Orden 2 Orden 3: Regla de Sarrus Orden mayor de 3 Propiedades 4. Matriz inversa Ecuaciones matriciales 5. Rango
Más detallesMaterial del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos
Más detallesMuy en desacuerdo 1 2 3 4 5 Muy de acuerdo
Aplicación del análisis factorial a la valoración por parte de los estudiantes de las asignaturas de la ETSICCP de Barcelona en sus distintas titulaciones. Camino Balbuena Martínez, Dpt. de Matemática
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesCapítulo 14. Análisis de datos (II) Investigación de mercados. Prof. Verónica Rosendo Ríos. Verónica Rosendo Ríos. Investigación de mercados
Capítulo 14 Análisis de datos (II) Prof. Verónica Rosendo Ríos Order is heaven s law ALEXANDER POPE 1-2 CONTENIDOS 1. Análisis de tablas estadísticas. Distribución de frecuencias y porcentajes Estadísticos
Más detallesBOLETÍN DE MATRICES 2 IES A Sangriña Curso 2016/ Calcula la matriz inversa, si existe, usando el método de Gauss:
*** OBLIGATORIOS *** 1. Efectúa todos los posibles productos: 2. Calcula la matriz inversa, si existe, usando el método de Gauss: 3. Sean y. Encuentra X para que cumpla: 3 X 2 A = 5 B 4. Encuentra dos
Más detallesAnálisis de Componentes Principales (ACP)
Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015 Introducción Cuando se recoge información de una muestra
Más detallesProf. Jose Jacobo Zubcoff, PhD. Area de Estadística Departamento de Ciencias del Mar y Biología Aplicada Universidad de Alicante
PCA Principal Component Analysis Prof. Jose Jacobo Zubcoff, PhD. Area de Estadística Departamento de Ciencias del Mar y Biología Aplicada Universidad de Alicante This work is licensed under a Creative
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. Teoría Sea X una muestra de datos (de la variable/población x N ( µ, Σ)) donde el elemento x ij corresponde al individuo i y a la variable continua j
Más detalles3.2. Resultados prueba piloto.
3.1. Presentación Para la investigación, se diseñó un instrumento de medición para la competitividad como variable dependiente y capital humano como variable independiente, dentro de la propuesta del modelo
Más detallesBLOQUE DE ÁLGEBRA: TEMA 1: MATRICES.
BLOQUE DE ÁLGEBRA: TEMA 1: MATRICES. Matrices: Se llama matriz de dimensión m n a un conjunto de números reales dispuestos en m filas y n columnas de la siguiente forma: 11 a 12 a 13... a 1n A= a a 21
Más detalles1. Introducción. CEDEX - Curso de formación estadística. Práctica Cómo introducir datos en SPSS/PC?
Técnicas de análisis multivariante - I 9//oo5 CEDEX - Curso de formación estadística Práctica. Introducción En esta práctica trabajaremos con el fichero de datos pardals.xls que corresponde a un estudio
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesMATEMÁTICAS 2º BACH CIENCIAS DETERMINANTES DETERMINANTES
1. CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=(aij),de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden
Más detallesEdgar Acuna/ ESMA 6665 Lecc La SVD y Componentes Principales
Edgar Acuna/ ESMA 6665 Lecc 7 75 6.2 La SVD y Componentes Principales El objetivo de componentes principales es hacer una reducción de la información disponible. Es decir, la información contenida en p
Más detallesTé c n i c a s e s ta d í s t i c a s m u lt i va r i a n t e s pa r a l a g e n e r a c i ó n d e va r i a b l e s
Té c n i c a s e s ta d í s t i c a s m u lt i va r i a n t e s pa r a l a g e n e r a c i ó n d e va r i a b l e s l at e n t e s Re s u m e n Carlos Poza Lara* Ante la necesidad de simplificar y medir
Más detallesEjemplo (datos reales: 34 Estados sobre los que se observan variables sociodemográficas
Ejemplo (datos reales: 34 Estados sobre los que se observan variables sociodemográficas y económicas) Objetivos:. Ayudar a comprender los conceptos relacionados con un análisis de componentes principales.
Más detallesUNIVERSIDAD NACIONAL DEL ALTIPLANO
UNIVERSIDAD NACIONAL DEL ALTIPLANO FACULTAD DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA ANÁLISIS DE LAS CARACTERÍSTICAS LABORALES DE LOS TRABAJADORES
Más detallesIDICSO. El análisis factorial
IDICSO Instituto de Investigación en Ciencias Sociales Facultad de Ciencias Sociales Universidad del Salvador ÁREA EMPLEO Y POBLACIÓN El análisis factorial por Horacio Chitarroni Buenos Aires, DIC/2002
Más detallesMETODOLOGÍA PARA EL CÁLCULO DE LAS NECESIDADES DE FINANCIACIÓN DE LAS COMUNIDADES AUTÓNOMAS
Consejería de Hacienda METODOLOGÍA PARA EL CÁLCULO DE LAS NECESIDADES DE FINANCIACIÓN DE LAS COMUNIDADES AUTÓNOMAS El cálculo de las necesidades de financiación de las Comunidades Autónomas es un elemento
Más detalles1. Matrices. Operaciones con matrices
REPASO MUY BÁSICO DE MATRICES. Matrices. Operaciones con matrices.. Introducción Las matrices aparecieron por primera vez hacia el año 850, introducidas por el inglés J. J. Sylvester. Su desarrollo se
Más detallesPROYECTO CIUDADES COMPETITIVAS. Documento de Análisis 001. Metodología de Análisis Factorial
PROYECTO CIUDADES COMPETITIVAS Documento de Análisis 001 Metodología de Análisis Factorial Gonzalo Escobar Elexpuru www.ciudadescompetitivas.org Enero 2014 METODOLOGIA DE ANÁLISIS FACTORIAL El índice de
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesCapítulo 20 Análisis Factorial El procedimiento Análisis factorial
Capítulo 20 Análisis Factorial El procedimiento Análisis factorial El análisis factorial es una técnica de reducción de datos que sirve para encontrar grupos homogéneos de variables a partir de un conjunto
Más detallesMATRICES OPERACIONES BÁSICAS CON MATRICES
MATRICES OPERACIONES BÁSICAS CON MATRICES ANTECEDENTES En el año 1850, fueron introducidas por J.J. Sylvester El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A.
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesAnálisis factorial ETAPA 1: Preparación de datos Ejemplo Punto débil del análisis factorial Aplicación en SPSS (archivo ejemplo: autonomias2)
Análisis factorial ETAPA 1: Preparación de datos Ejemplo: Índice de Producción Industrial Se puede correlacionar con el PIB y comprobar si el IPI del primer trimestre se corresponde con el PIB del primer
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detalles2. Problemas. Espacios Vectoriales. Álgebra Lineal- Propedéutico Mayo de 2012
2. Problemas. Espacios Vectoriales. Álgebra Lineal- Propedéutico Mayo de 2012 1. En R 2 se define la suma: (a 1, b 1 ) + (a 2, b 2 ) = (a 1 + a 2, b 1 + b 2 ) y el producto por un escalar: λ(a, b) = (0,
Más detallesFormato de la información suministrada por el programa informático MINITAB, empleado para el análisis de los datos empíricos.
CAPÍTULO XIX: TÉCNICAS DE INVESTIGACIÓN EMPLEADAS. En este capítulo se describen las técnicas de análisis cuantitativo empleadas para el análisis de los datos, con la finalidad de contrastar las hipótesis
Más detallesNombre de la Asignatura MATEMÁTICA I INFORMACIÓN GENERAL Escuela. Departamento Unidad de Estudios Básicos. Ciencias Pre-requisitos - Vigencia 80
Código 0081613 UNIVERSIDAD DE ORIENTE MATEMÁTICA I INFORMACIÓN GENERAL Escuela Departamento Unidad de Estudios Básicos Ciencias Pre-requisitos - Créditos 03 Área Matemática Semestre I Tipo Obligatoria
Más detallesIntroducción Ordenación Clasificación Ord. + Clas. Geobotánica. Tema 12 Ordenación y clasificación
Introducción Clasificación Ord. + Clas. Geobotánica Tema 12 y clasificación Copyright: 2011 Francisco Alcaraz Ariza. Esta obra está bajo una licencia de Reconocimiento-No Comercial de Creative Commons
Más detallesMatrices y Sistemas Lineales
Matrices y Sistemas Lineales Álvarez S, Caballero MV y Sánchez M a M salvarez@umes, mvictori@umes, marvega@umes 1 ÍNDICE Matemáticas Cero Índice 1 Definiciones 3 11 Matrices 3 12 Sistemas lineales 5 2
Más detallesBLOQUE III. ANÁLISIS MULTIVARIANTE
BLOQUE III. ANÁLISIS MULTIVARIANTE CAPÍTULO 7 Teoría sobre análisis multivariante. El análisis multivariante engloba un grupo de técnicas o métodos estadísticos cuya finalidad es analizar simultáneamente
Más detallesTEMA 1 Álgebra de matrices 4 sesiones. TEMA 2 Determinantes 4 sesiones. TEMA 3 Sistemas de ecuaciones 4 sesiones
1.1. MATEMÁTICAS II TEMPORALIZACIÓN Y SECUENCIACIÓN: TEMA 1 Álgebra de matrices 4 sesiones TEMA 2 Determinantes 4 sesiones TEMA 3 Sistemas de ecuaciones 4 sesiones TEMA 4 Vectores en el espacio 4 sesiones
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesUNIVERSIDAD TECNICA LUIS VARGAS TORRES Esmeraldas - Ecuador MATRICES Y VECTORES
UNIVERSIDAD TECNICA LUIS VARGAS TORRES Esmeraldas - Ecuador MATRICES Y VECTORES Facultad de Ingenierías y Tecnologías Ing. Paúl Viscaino Valencia DOCENTE OBJETIVO Interpretar y resolver los problemas básicos
Más detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más detallesOrdenación contrastante o directo. Pueden los patrones de la comunidad de aves ser explicados por variables ambientales medidas?
Ordenación contrastante o directo Pueden los patrones de la comunidad de aves ser explicados por variables ambientales medidas? Ordenación contrastante o directa De análisis de gradiente indirecto a directo
Más detallesIndicador global de rendimiento
GABRIEL RUIZ Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán, Argentina JOSÉ RUIZ Facultad de Economía y Administración Universidad del Norte Santo Tomás de Aquino, Argentina
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesALGEBRA LINEAL Segundo Semestre. Parte II
1 Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas ALGEBRA LINEAL 2015 Segundo Semestre Parte II 2 1. Valores y Vectores propios. Diagonalización.Forma de Jordan. 1.1. Polinomios
Más detallesSe usa para encontrar un numero relativamente pequeño de variables nuevas que contengan la mayor cantidad de info posible del conjunto de datos
Analisis Estadístico de Datos Climáticos Análisis de componentes principales Analisis de componentes principales Se usa para encontrar un numero relativamente pequeño de variables nuevas que contengan
Más detallesMatrices y Sistemas Lineales
Matrices y Sistemas Lineales Álvarez S, Caballero MV y Sánchez M a M salvarez@umes, mvictori@umes, marvega@umes Índice 1 Definiciones 3 11 Matrices 3 12 Sistemas lineales 6 2 Herramientas 8 21 Operaciones
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesMatemáticas Empresariales II
Matemáticas Empresariales II Lección 3 Manuel León Navarro Colegio Universitario Cardenal Cisneros M. León Matemáticas Empresariales II 1 / 40 Concepto de Matriz Se define matriz de orden n m a todo conjunto
Más detallesEjercicios de ALN (1)
Ejercicios de ALN (1) 11 de febreo de 2015. Estos ejercicios son muy fáciles. Hacerles para el día 13. Devolver solamente la ficha de autoevaluación (al final). Repasos de geometría Consideramos el plano
Más detalles